DiffTune：通过自动微分实现自动调参

机器人在高层任务中的表现取决于其底层控制器的质量，而后者需要精细调参。然而，当手工完成时，固有的非线性动力学与控制器使得调参成为一项挑战性任务。本文提出DiffTune，一种新颖的基于梯度的自动调参框架。我们将控制器调公式化为参数优化问题。我们的方法将动力学系统与控制器展开为计算图，并通过基于梯度的优化更新控制器参数。梯度通过灵敏度传播获得，当为物理系统而非其仿真对应物调参时，这是唯一的梯度计算方法。此外，我们使用$\mathcal{L}_1$自适应控制来补偿不确定性（物理系统中不可避免存在），从而使梯度不被未建模不确定性所偏置。我们在具有挑战性的仿真环境中于Dubin小车与四旋翼上验证DiffTune。与最先进自动调参方法相比，DiffTune因其对系统一阶信息的有效利用而以更高效方式取得最佳性能。在四旋翼非线性控制器调参上的实验显示出有前景的结果，其中DiffTune在仅10次试验内于12维控制器参数空间上实现对激进轨迹3.5倍跟踪误差缩减。